01 / 01

类目筛选(食品学者)

清除筛选
  • 研究对象/基质维度
    • 谷物/块根/豆与坚果类
      • 小麦
      • 玉米
      • 大米
      • 杂粮
      • 马铃薯
      • 其他根茎类
      • 其他谷物与块根
      • 豆类与坚果(及籽类)
    • 肉类/蛋类与水产品
      • 畜肉
      • 禽肉
      • 鱼肉
      • 甲壳类
      • 软体与贝类
      • 内脏及副产物
      • 其他肉与水产品
      • 蛋类及其制品
    • 乳及乳制品
      • 液态乳
      • 发酵乳/酸奶
      • 奶酪
      • 乳粉
      • 乳清及乳清制品
      • 其他乳制品
    • 水果/蔬菜与菌菇类/植物类
      • 新鲜水果
      • 新鲜蔬菜
      • 果蔬汁/浓缩汁
      • 果蔬干/果脯/蔬菜干
      • 其他果蔬制品/植物类
      • 食用菌菇
      • 食用花卉
    • 油脂及油脂制品
      • 植物油
      • 动物油脂
      • 起酥油/人造脂肪
      • 油炸食品
      • 其他油脂制品
    • 饮料
      • 果蔬饮料
      • 茶/茶饮料
      • 咖啡饮料
      • 乳饮料
      • 功能/运动饮料
      • 碳酸饮料
      • 酒精饮料
      • 其他饮料
    • 糖、焙烤与糖果制品
      • 面包
      • 蛋糕/糕点
      • 饼干/薄脆制品
      • 糖果
      • 巧克力及含可可制品
      • 其他焙烤与糖果制品
      • 蜂蜜等天然糖
    • 发酵食品及酱腌制品
      • 大豆发酵制品
      • 蔬菜发酵制品
      • 发酵豆制品
      • 谷物发酵食品
      • 肉类发酵制品
      • 水产发酵制品
      • 其他酱腌/发酵食品
    • 复合/即食/餐饮食品
      • 方便面及速食米面
      • 预制菜/即食菜肴
      • 冷冻方便食品
      • 罐头菜肴
      • 餐饮菜品与团餐
      • 其他复合食品
    • 新资源食材
      • 昆虫蛋白
      • 微藻及藻类产品
      • 单细胞蛋白
      • 细胞培养肉
      • 其他新资源食材
    • 食品添加剂与配料
      • 碳水化合物配料
      • 脂肪/油脂配料
      • 蛋白质配料
      • 乳化剂/稳定剂/增稠剂
      • 甜味剂
      • 香精香料
      • 酸度调节剂/防腐剂/抗氧化剂
      • 营养强化剂
      • 其他添加剂与配料
    • 新材料/包装与接触材料
      • 塑料材料
      • 纸及纸板
      • 金属材料
      • 玻璃材料
      • 生物基/可降解材料
      • 多层复合材料
      • 探针与分析传感材料
      • 其他材料
    • 食品加工设备与机械系统
      • 热处理设备
      • 干燥设备
      • 挤压/混合/成型设备
      • 分选/分级/检验设备
      • 灌装/封口/包装设备与生产线
      • 清洗/CIP/卫生相关设备
      • 输送/搬运/机器人系统
      • 其他加工设备与系统
  • 研究主题/科学问题维度
    • 加工与新加工技术
      • 传统热加工
      • 非热加工技术
      • 物理辅助加工
      • 3D 打印与结构构筑
      • 挤压膨化与共挤技术
      • 其他加工技术
    • 保藏与贮藏
      • 冷藏与冷冻保藏
      • 干燥保藏
      • 改良气调/控气贮藏
      • 保鲜涂膜与保鲜剂
      • 货架期预测与品质劣变动力学
      • 其他保藏技术
    • 品质、结构与理化性质
      • 质构与流变性质
      • 颜色与外观品质
      • 微观结构与成像
      • 氧化、褐变等化学变化
      • 其他品质相关性质
      • 特征风味
    • 营养与生物功能
      • 基本营养价值评价
      • 抗氧化/抗炎等功能
      • 血糖、血脂与代谢相关功能
      • 肠道健康与微生物相关功能
      • 其他生物活性与健康效应
    • 食品安全与风险评估
      • 微生物安全
      • 化学污染物
      • 加工污染物
      • 过敏原与毒性问题
      • 暴露评估与风险表征
      • 其他安全问题
    • 包装与智能监测
      • 包装设计与机械性能
      • 活性包装
      • 智能/指示型包装
      • 包装系统中的监测与标签应用
      • 其他包装相关研究
    • 可持续性与资源高值化
      • 副产物与废弃物高值利用
      • 能耗/水耗与环境影响分析
      • 生命周期评价与碳足迹
      • 循环经济与绿色供应链
      • 其他可持续性主题
    • 感官科学与消费者研究
      • 感官评价与方法学
      • 消费者偏好与接受度
      • 市场细分与消费行为
      • 标签、营养声称与信息呈现
      • 其他感官与消费者研究
    • 过程控制与数字化
      • 过程监测与在线检测
      • 过程优化与控制策略
      • 生产管理与数字化工厂
      • 其他过程控制与数字化研究
  • 研究方法/证据层级维度
    • 理化与结构表征
      • 常规理化指标测定
      • 质构与流变测试
      • 显微与成像技术
      • 光谱/色谱/质谱等分析方法
      • 其他理化与结构表征
    • 微生物与发酵实验
      • 微生物计数与生长曲线
      • 菌种筛选与特性评价
      • 发酵工艺与动力学
      • 生物膜与耐受性研究
      • 其他微生物/发酵方法
    • 组学与高通量技术
      • 基因组学
      • 转录组学
      • 蛋白质组学
      • 代谢组学
      • 微生物组/宏基因组学
      • 其他组学方法
      • 风味组学
    • 体外模型
      • 体外消化模型
      • 体外发酵模型
      • 细胞模型
      • 模拟胃肠/肠道系统
      • 其他体外模型
    • 动物实验/人体试验
      • 小动物实验
      • 大动物实验
      • 人体干预试验
      • 观察性人群研究
      • 其他体内/人群研究
    • 统计建模与仿真
      • 传统统计分析与回归
      • 响应面分析与多因素优化
      • 动力学建模
      • 数值仿真
      • 其他统计建模方法
    • 问卷/市场与消费者研究
      • 问卷设计与实施
      • 访谈与质性研究
      • 行为实验与选择实验
      • 其他消费者研究方法
    • 标准/法规/数据库分析
      • 标准与法规对比分析
      • 政策评估与影响分析
      • 食品成分/消费数据库分析
      • 其他标准法规相关方法
    • 其他方法
      • 专利分析
      • 德尔菲法与专家咨询
      • 情景分析与情景模拟
      • 其他难以归类的方法
  • 关键营养素/成分维度
    • 常量营养素(宏量)
      • 蛋白质与氨基酸
      • 脂质与脂肪酸
      • 碳水化合物与糖类
    • 膳食纤维与抗性淀粉
      • 可溶性膳食纤维
      • 不溶性膳食纤维
      • 抗性淀粉
      • 其他膳食纤维类成分
    • 维生素
      • 脂溶性维生素 A/D/E/K
      • 维生素 C
      • 维生素 B 族
      • 其他维生素或前体
    • 矿物质与微量元素
      • 钙
      • 铁
      • 锌
      • 碘/硒等微量元素
      • 钠/钾/镁等常量矿物质
      • 其他矿物质
    • 植物化学/生物活性成分
      • 多酚与黄酮
      • 花青素与类胡萝卜素
      • 酚酸类
      • 含硫植物化合物
      • 其他植物化学物质
    • 益生菌/益生元/合生元
      • 益生菌菌株
      • 益生元
      • 合生元产品
      • 可发酵底物与其他肠道相关成分
    • 功能性脂类与糖替代品
      • 植物甾醇/甾烷醇
      • 共轭亚油酸
      • 中链脂肪酸
      • 糖醇类
      • 非营养性甜味剂
      • 盐替代品与其他代谢敏感因子
    • 其他特殊成分
      • 咖啡因
      • 茶氨酸
      • 胆固醇
      • 嘌呤
      • 其他特殊成分

深度筛选(计算机学者)

清除筛选
  • 模型类型
    • 机器学习/统计学习
      • 偏最小二乘法
      • 支持向量机
      • 随机森林
      • K-近邻
      • 梯度提升决策树
      • 主成分分析/判别分析
      • 逻辑回归/贝叶斯
      • 智能手机/其他
    • 深度学习
      • 卷积神经网络
      • 循环神经网络
      • 目标检测网络
      • 图像分割网络
      • 生成对抗网络
      • 图神经网络
      • 序列到序列/编码-解码
      • 其他深度学习结构
    • 大模型与 LLM
      • 大语言模型
      • 视觉基础模型
      • 多模态基础模型
      • 知识图谱与 LLM 集成
      • 垂直领域微调/指令调优
      • 检索增强生成
    • 模型设计/优化策略
      • 迁移学习/领域自适应
      • 小样本学习
      • 模型可解释性
      • 模型轻量化/边缘计算
      • 特征工程与选择策略
      • 超参优化/自动机器学习
      • 强化学习
  • 模型任务
    • 分类/鉴别/等级评定
    • 定量预测/回归分析
    • 缺陷/异物检测与定位
    • 过程控制与实时优化
    • 知识抽取与语义理解
    • 设计/生成与推荐
    • 模拟与数字孪生
  • 模型数据
    • 来源
      • 可见光/RGB/视频数据
      • 高光谱/多光谱光谱
      • 红外/拉曼光谱数据
      • 时序传感器/物联网数据
      • 组学数据
      • 质构/流变/感官数据
      • 文本/知识库/法规数据
      • 多模态/融合数据
    • 量级
      • 小规模数据集
      • 中等规模数据集
      • 大规模数据集
      • 超大规模/工业级数据集
      • 公开数据集
      • 合成/仿真数据为主

标签记录(食品学者)

清除全部筛选
暂无筛选

标签记录(计算机学者)

机器学习/统计学习

共 712 条结果

  • 风味组学结合机器学习解析香气定向辣椒的关键香气化合物并预测感官品质

    2026
    Current Research in Food Science
    中科院一区
    JCR一区
    查看原文

    Ziyang Wu, Hang Wei, Yinhui Qiu, Ruiru Si, Baoyu Kong, Ling Fang, Huiling Weng, Weiming Li, & Jianwei Fu

    食品标签

    其他果蔬制品/植物类 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质

    计算机标签

    机器学习/统计学习 偏最小二乘法 定量预测/回归分析 时序传感器/物联网数据 组学数据 质构/流变/感官数据

    提升辣椒香气品质对于产业转型和高值化发展至关重要。然而,复杂的挥发性成分及其与感官品质之间的定量关系尚不明确,限制了香气定向品种的精准育种。本研究采用定量描述分析、电子鼻和顶空固相微萃取-气相色谱-质谱法(HS-SPME-GC-MS),结合化学计量学、气味活度值(OAV)和机器学习,系统分析3个香气定向辣椒品种(MJ7、MJ8和MJ9)与3个商品辣椒品种之间的香气差异。香气定向品种在果香、花香和甜香属性方面显著优于传统辣椒,其中MJ7的花香评分达到8.44,MJ9的果香评分达到8.16。在鉴定出的202种挥发性成分中,香气定向辣椒主要富含酯类和酮类,而传统品种则以烷烃类为主。正交偏最小二乘判别分析(OPLS-DA)筛选出β-石竹烯和2-甲基咔唑等特征化合物,并通过基于OAV的定量分析确定了30种关键香气化合物。自适应加权共识回归(AWCR)模型建立了关键化合物与感官属性之间的定量关系,与单一机器学习方法相比,预测准确率提高了33.3%。特征重要性分析表明,苯乙醛是果香的核心化合物,芳樟醇是花香的核心化合物,为香气定向辣椒的分子育种提供了精准靶标。

  • AI 驱动多维食品打印技术在食品副产物高值化利用中的应用

    2026
    Journal of Agricultural and Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Yuchen Ma, Ling Fu, Fatao He, Di Wu, Jiongqi Lin, Dejian Huang, Caili Fu, & Caoxing Huang

    食品标签

    豆类与坚果(及籽类) 质构与流变性质 营养与生物功能 质构与流变测试

    计算机标签

    机器学习/统计学习 过程控制与实时优化 时序传感器/物联网数据 质构/流变/感官数据

    食品副产物富含营养成分,但常被丢弃,造成资源浪费和环境负担。由于流变性质不一致、转化过程不稳定以及多轴操作复杂,传统增材制造难以有效处理这类材料。本文综述了将机器学习与多维食品打印相结合以实现副产物高值化利用的研究进展,重点介绍动物源、植物源和油籽类副产物在 3D 打印中的应用,以及其在 4D 打印中的功能转化。机器学习可通过预测流变性质、优化配方和实现实时过程控制来增强增材制造流程,并支持自适应打印、变形预测和闭环路径调整,从而提升产品质量。虽然 5D/6D 打印仍处于发展阶段,机器学习有望推动复杂结构构建。当前挑战包括数据有限、模型迁移性差和计算成本高。未来与物联网和云平台集成后,可能实现自主化、可扩展、零废弃的食品制造。该机器学习驱动方法有助于促进可持续生产和人机协作。

  • 利用可见-近红外光谱和近红外高光谱成像检测单粒燕麦中的 T-2 和 HT-2 毒素

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    Irene Teixido-Orries, Francisco Molino, Pau Agusti-Fernandez, Ebenezer Ayibiowu, Derek Croucher, Angel Medina, Sonia Marín, & Carol Verheecke-Vaessen

    食品标签

    杂粮 食品安全与风险评估 光谱/色谱/质谱等分析方法 显微与成像技术 其他特殊成分

    计算机标签

    机器学习/统计学习 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据

    燕麦因其健康益处而在全球消费量不断增加,但其易受到镰刀菌毒素污染,尤其是 T-2 和 HT-2 毒素污染。这些毒素具有严重健康风险,因此准确、快速检测对食品安全至关重要。本研究以液相色谱-串联质谱为参考方法,评估可见-近红外光谱和近红外高光谱成像对单粒燕麦中 T-2 与 HT-2 毒素进行无损检测的潜力。研究建立分类模型,以识别超过欧盟法定限量 1250 μg/kg 以及更高风险水平 10,000 μg/kg 的燕麦颗粒。两种技术在识别污染颗粒时均取得较高准确率,最高达 94.5%。研究识别了关键波长,例如 NIR 区域的 1203、1419、1424 和 1476 nm,以及可见光区域的 440-455 nm;将模型简化至 20 个波长仍能保留大部分分类准确率,从而降低模型复杂度并支持其在多光谱系统中的应用可行性。模拟分选结果显示,仅去除污染最严重的颗粒即可显著降低批次水平毒素浓度。研究表明,Vis-NIR 和 NIR-HSI 有望用于燕麦分选线中快速、无损、单粒级真菌毒素筛查,从而改善食品安全、减少经济损失,并克服传统批次检测的关键局限。

  • AI 引导挖掘和表征植物乳杆菌素 LP2150:对腐败希瓦氏菌的抑制机制及大黄鱼保鲜作用

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    Jie Yang, Yangfan Fu, Shuang Kong, Xiucheng Shang, Meizhong Hu, Antuo Hu, Saikun Pan, Ting Nie, & Yanan Liu

    食品标签

    鱼肉 食品安全与风险评估 氧化、褐变等化学变化 微生物计数与生长曲线 转录组学 含硫植物化合物

    计算机标签

    机器学习/统计学习 设计/生成与推荐 组学数据

    腐败希瓦氏菌是一种可在低温下生长的腐败菌,会显著缩短水产品货架期。本研究利用人工智能辅助从植物乳植杆菌 MMB-07 中发现植物乳杆菌素 LP2150,LP2150 对腐败希瓦氏菌的最小抑菌浓度为 1 μg/mL。实验数据表明,LP2150 可诱导腐败希瓦氏菌细胞中核酸、蛋白质和碱性磷酸酶等大分子泄漏。转录组分析显示,LP2150 诱导腐败希瓦氏菌中 107 个基因差异表达,并显著下调氨基酸代谢、硫代谢和甲烷代谢通路,导致能量代谢失衡。此外,LP2150 调控的 ABC 转运系统破坏了细胞膜结构和功能,抑制腐败希瓦氏菌生长并诱导细胞凋亡。第 8 天时,0.02% 和 0.04% LP2150 处理组总活菌数分别为 5.71 和 5.15 log CFU/g,较对照组降低 1.88-2.44 log CFU/g。LP2150 还显著抑制脂质氧化,实验组 TBA 值较对照组(0.682 mg/kg)降低 29.5%-41.6%,且抑制效果呈剂量依赖性。综上,本研究为利用人工智能从植物乳植杆菌中发现抗菌肽并阐明其在水产品保鲜中抗腐败希瓦氏菌机制提供了新见解,也为 LP2150 在食品安全领域的应用提供参考。

  • 集成表面增强拉曼光谱与机器学习用于果汁中多靶标农药残留的识别与定量

    2026
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Shen Jiang, Qiuyun Li, Xubin Quan, Yaowen Xing, Yujiang Huang, Xuming Mu, Yitong Meng, Guangrun Wu, Tong Ju, Yuhan Chu, Ruiyao Ma, Jing Wu, Xiaotong Wang, Sheng Wang, & Yang Li

    食品标签

    果蔬汁/浓缩汁 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分

    计算机标签

    机器学习/统计学习 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据

    本研究开发了一种新型的表面增强拉曼散射(SERS)平台,该平台结合了机器学习,可实现对果汁中多种农药残留的快速、灵敏和区分性分析。核心-壳层 Au@AgCNCs 纳米结构通过局域表面等离子共振和钙离子诱导聚集显著增强拉曼信号,使五种农药的超高灵敏检测成为可能,检测限低至 2.7 pM。当将机器学习(ML)算法应用于果汁中多靶农药残留分析时,在复杂的果汁基质中识别农药类型的准确率达到 99.56%。值得注意的是,该模型在纯农药光谱上进行训练,并在加标果汁样品上进行测试。使用支持向量回归(SVR),单一和混合农药的回收率范围为94.2%至106.1%,从而实现了多组分农药残留的定量分析。将表面增强拉曼散射(SERS)与机器学习(ML)结合,不仅提高了检测精度,还简化了分析流程,显示出在食品安全监测和可持续农业实践中的重要潜力。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号